CN112149346A - 一种风电场等值建模方法、装置、电子设备和存储介质 - Google Patents
一种风电场等值建模方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112149346A CN112149346A CN202010929519.3A CN202010929519A CN112149346A CN 112149346 A CN112149346 A CN 112149346A CN 202010929519 A CN202010929519 A CN 202010929519A CN 112149346 A CN112149346 A CN 112149346A
- Authority
- CN
- China
- Prior art keywords
- clustering
- data
- matrix
- data block
- power plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000000903 blocking effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000000052 comparative effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 101100119135 Mus musculus Esrrb gene Proteins 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 235000013490 limbo Nutrition 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风电场等值建模方法、装置、电子设备和存储介质，风电场建模领域领域，所述方法包括S1:获取风电场内风机对应的有功功率高维时间序列和无功功率高维时间序列作为聚类指标；S2:将所述聚类目标聚类指标划分为多个数据块，利用多视角模糊C均值算法MV‑FCMC对各个所述数据块进行聚类分析得到依次获取依次获取各个所述数据块对应的隶属度矩阵；S3:利用各个所述数据块对应的隶属度矩阵计算各个所述数据模块数据块中样本对应的隶属度矩阵，以获取各个所述样本的聚类结果。本申请提供的方法将数据划分为多个数据块并进行迭代聚类，使得计算机内存只需承担单个数据块的计算压力，即可在较小内存中实现大规模风电场等值建模，而不会出现卡死。
Description
技术领域
本发明属于风电场建模领域领域，更具体地，涉及一种风电场等值建模方法、装置、电子设备和存储介质。
背景技术
随着化石燃料的不断消耗与自然环境的持续恶化，风电作为可再生能源的代表得到了大规模的开发与应用。预计2020年末，我国风电装机容量将达到2.1亿千瓦。然而，由于风电随机波动特性，其对电力系统安全稳定运行具有潜在威胁，因此需要准确掌握风电场的运行特性。目前，对风电场运行特性的研究主要依托于仿真的方式。然而，大规模风电场可能存在数十甚至上百台风机，若对每台风机进行详细的建模，不仅工作量大，而且会影响仿真的速度和收敛性。因此，有必要建立风电场的等值模型。
风电场等值可分为单机等值和多机等值，在已有研究中，风电场多机等值由于优越的仿真效果得到了更为广泛的研究。风电场多机等值的可分为两个步骤：聚类指标选择、风机聚类计算。在聚类指标的选择中，传统方法一般采用单个时间点的风机物理量作为聚类指标，如风速、桨距角等。
然而，风机含有电力电子器件，对其模拟往往需要采用小步长仿真，因此用于风机聚类的聚类指标维度可能达到数十万维甚至上百万维，在普通计算机中，传统聚类方法尚可处理小规模风电场的风机聚类问题，一旦风电场规模较大，传统聚类方法受计算资源限制容易出现卡死的现象。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种风电场等值建模方法、装置、电子设备和存储介质，其目的在于在较小内存计算机中实现大规模风电场等值建模，而不会出现计算机卡死的现象。
为实现上述目的，按照本发明的一个方面，提供了一种风电场等值建模方法，包括：
S1:获取风电场内风机对应的有功功率高维时间序列和无功功率高维时间序列作为聚类指标；
S2:基于增量式技术的多视角模糊C均值聚类MVI-FCMC算法将所述聚类指标划分为多个数据块，并对每个所述数据块利用多视角模糊C均值MV-FCMC算法进行聚类分析，依次获取各个所述数据块对应的隶属度矩阵；
S3:利用各个所述数据块对应的隶属度矩阵计算各个所述数据块中样本对应的隶属度矩阵，以获取各个所述样本的聚类结果完成所述风电场等值建模。
在其中一个实施例中，所述S1具体包括：
S101:获取所述风电场中每台风机的实时风速；
S102:将每台风机对应的所述实时风速输入预设风机仿真模型，以使所述预设风机仿真模型输出各个风机对应的有功功率高维时间序列和无功功率高维时间序列；
S103:将各个风机对应的有功功率高维时间序列和无功功率高维时间序列作为各个风机对应的聚类指标。
在其中一个实施例中，所述S2之前，所述方法还包括：
将MV-FCMC算法的目标函数和约束条件分别设为：
1≤i≤C 1≤j≤N 1≤k≤K
其中，视角k的数据集表示为Xk＝{xi,k|xi,k∈Rd}，i＝1,2,…,N；k＝1,2,…,K，d表示数据维度，N表示样本数，C表示数据集Xk被分类别的总数量，i＝1,2,…,C；wj,k表示视角k中样本xj,k的权重；μij,k表示视角k中样本xj,k对于聚类中心vi,k的隶属度；d2 ij,k表示xj,k与vi,k之间欧式距离的平方；αj,k表示增强参数，βj,k表示削弱参数，m>1表示模糊化常数。
在其中一个实施例中，所述S2具体包括：
S201:将所述聚类指标划分为M个数据块；
S202:依次获取M个数据块各自对应的隶属度矩阵，其中，
针对第1个数据块，由MV-FCMC算法求得第1块数据块的隶属度矩阵U(1)和聚类中心矩阵V(1)，对U(1)运算得到第1块数据的权重向量w(1)，w(1)与维度为Nl的单位向量1N1合并组成权重向量
针对第l个数据块，l＝2,…,M，将第l个数据块的数据集X(l)和第l-1个数据块对应的聚类中心矩阵V(l-1)并集得到待聚类数据集
利用U(l-1)对运算得到w(l)，并与维度为Nl的单位向量1Nl合并组成权重向量
将
与
输入MV-FCM算法得第l块数据块的隶属度矩阵U(l)和聚类中心矩阵V(l)。
在其中一个实施例中，所述将
与
输入MV-FCM算法得第l块数据块的隶属度矩阵U(l)和聚类中心矩阵V(l)，包括：
利用迭代更新公式
计算第l块数据块的隶属度矩阵U(l)中的元素μij,k；
利用迭代更新公式
计算第l块数据块的聚类中心矩阵V(l)中的元素vi,k。
在其中一个实施例中，所述S3具体包括：
S301:利用各个所述数据块对应的隶属度矩阵U计算各个所述数据块中N个样本对应的隶属度矩阵
是为C×N矩阵，
中的元素为
μij,k为隶属度矩阵U中的元素；
S302:将各个所述数据块中样本对应的隶属度矩阵
中每个列向量中最大值对应的位置作为对应样本的聚类结果。
在其中一个实施例中，所述S2之前，所述方法还包括：
预先设置MVI-FCMC的算法参数，所述算法参数包括：样本风机数量、视角数、数据维度、聚类类别数、模糊化常数、数据集的块数、各个数据集的样本数及误差阈值。
另一方面，提供了一种风电场等值建模装置，包括：
指标获取模块，用于获取风电场内风机对应的有功功率高维时间序列和无功功率高维时间序列作为聚类指标；
聚类分析模块，用于基于增量式技术的多视角模糊C均值聚类MVI-FCMC算法将所述聚类指标划分为多个数据块，并对每个所述数据块利用多视角模糊C均值MV-FCMC算法进行聚类分析，依次获取各个所述数据块对应的隶属度矩阵；
结果获取模块，用于利用各个所述数据块对应的隶属度矩阵计算各个所述数据块中样本对应的隶属度矩阵，以获取各个所述样本的聚类结果完成所述风电场等值建模。
另一方面，提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的方法的步骤。
另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，包括如下优点：
1.由于所设计的MVI-FCMC算法将数据划分为多个数据块，针对每个数据块，利用MV-FCMC对其中的数据进行聚类，并通过权重矩阵和聚类中心矩阵实现不同数据块的耦合。因此计算机内存只需承担单个数据块的计算压力，即该方法在较小内存计算机中，仍可实现大规模风电场等值建模，而不会出现计算机卡死的现象。
2.风机物理量会随着时间推移而发生变化，即风机聚类结果与时间存在很大的关系，将等值风电场的高维时间序列作为聚类指标，能够提高适用范围和聚类结果的准确性。
附图说明
图1是本申请一实施例中风电场等值建模方法的流程图；
图2为本申请一实施例中的步骤S1的流程图；
图3为本申请一实施例中的风机模型示意图；
图4为本申请一实施例中的风电场接线示意图；
图5为本申请一实施例中风电场中每台风机的风速曲线示意图；
图6为本申请一实施例中风电场中每台风机的有功功率曲线示意图；
图7为本申请一实施例中风电场中每台风机的无功功率曲线示意图；
图8为本申请一实施例中MV-FCMC和MVI-FCMC最大CPU占用率示意图；
图9是本申请一实施例中风电场等值建模装置的结构示意图；
图10是本申请一实施例中电子设备的内部结构示意图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：指标获取模块901、聚类分析模块902和结果获取模块903。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请提供一种风电场等值建模方法，如图1所示，风电场等值建模方法包括：步骤S1至步骤S3。
S1:获取风电场内风机对应的有功功率高维时间序列和无功功率高维时间序列作为聚类指标。
具体的，风电场多机等值的可分为两个步骤：聚类指标选择、风机聚类计算。聚类指标选择步骤包括：获取风电场中每台风机的风速，风机的数量记为样本数。将各台风机的实时风速作为输入样本输入至合适的电力系统仿真软件中(如PSCAD或Matlab/Simulink)搭建的风机仿真模型中，基于所搭建的风机仿真模型和风机的风速，可以是实时风速或平均风速等，仿真出每台风机的有功功率高维时间序列与无功功率高维时间序列，高维指的是数量级至少在万以上。在此基础上，将各个风机有功功率高维时间序列与无功功率高维时间序列作为聚类指标。
S2:基于增量式技术的多视角模糊C均值聚类MVI-FCMC算法(multi viewincremental fuzzy C means clustering，MVI-FCMC)将聚类指标划分为多个数据块，利用多视角模糊C均值算法(multi view fuzzy C means clustering，MV-FCMC)对各个数据块进行聚类分析依次获取各个数据块对应的隶属度矩阵。
具体的，MVI-FCMC算法首先将数据集划分为多个数据块，针对每个数据块，再利用多视角模糊C均值算法对其中的数据进行聚类，并通过权重矩阵和聚类中心矩阵实现不同数据块的耦合，能够得到各个数据块对应的隶属度矩阵。具体地，首先将数据集划分为多个数据块，然后针对第l个数据块的数据集X(l)(l＝1,2,…,M)以及第l-1个数据块的聚类中心矩阵V(l-1)的并集{X(l)∪V(l-1)}，用MV-FCMC对{X(l)∪V(l-1)}进行聚类，得到U(l)和V(l)。然后，根据U(l)的计算结果得到权重矩阵w(l)，计算公式为
w(l) i,k和μ(l) ij,k分别表示w(l)和U(l)中的元素；再然后，将V(l)与l+1个数据块X(l+1)进行耦合求取X(l +1)和V(l)的并集，即{X(l+1)∪V(l)}，再用MV-FCMC对其进行聚类，以此类推。
S3:利用各个数据块对应的隶属度矩阵计算各个数据块中样本对应的隶属度矩阵，以获取各个样本的聚类结果完成所述风电场等值建模。
具体的，获取整个数据集的多视角隶属度矩阵U之后，利用各个数据块对应的隶属度矩阵计算各个数据块中样本对应的隶属度矩阵
样本对应的隶属度矩阵
中的每个列向量可用于标识对应样本的聚类结果，如第1个列向量可以标识第一个样本的聚类结果，第j(1≤j≤N)个列向量可以标识第j个样本的聚类结果，其中，N为样本的数量。
在其中一个实施例中，如图2所示，步骤S1具体包括：S101:获取风电场中每台风机的实时风速。S102:将每台风机对应的实时风速输入预设风机仿真模型，以使预设风机仿真模型输出各个风机对应的有功功率高维时间序列和无功功率高维时间序列。S103:将各个风机对应的有功功率高维时间序列和无功功率高维时间序列作为各个风机对应的聚类指标。
具体的，实时监测各台风机的实时风速使得风速信息携带时间特征，再将各台风机的实时风速输入预设风机仿真模型得到各个风机对应的有功功率高维时间序列和无功功率高维时间序列，再将各个风机对应的有功功率高维时间序列和无功功率高维时间序列作为各个风机对应的聚类指标，以利用多视角模糊C均值算法MV-FCMC对聚类指标中的各个数据块进行聚类分析。
在其中一个实施例中，S2之前，方法还包括：将MV-FCMC算法的目标函数和约束条件分别设为：
其中，视角k的数据集表示为Xk＝{xi,k|xi,k∈Rd}，i＝1,2,…,N；k＝1,2,…,K，d表示数据维度，N表示样本数，C表示数据集Xk被分类别的总数量，i＝1,2,…,C；wj,k表示视角k中样本xj,k的权重；μij,k表示视角k中样本xj,k对于聚类中心vi,k的隶属度；d2 ij,k表示xj,k与vi,k之间欧式距离的平方；αj,k表示增强参数，βj,k表示削弱参数，m>1表示模糊化常数。
在其中一个实施例中，S2具体包括：S201:将聚类指标划分为M个数据块。S202:依次获取M个数据块各自对应的隶属度矩阵，其中，针对第1个数据块，由MV-FCMC算法求得第1块数据块的隶属度矩阵U(1)和聚类中心矩阵V(1)，对U(1)运算得到第1块数据的权重向量w(1)，w(1)与维度为Nl的单位向量1N1合并组成权重向量
针对第l个数据块，l＝2,…,M，将第l个数据块的数据集X(l)和第l-1个数据块对应的聚类中心矩阵V(l-1)并集得到待聚类数据集
利用U(l-1)对运算得到w(l)，并与维度为Nl的单位向量1Nl合并组成权重向量
将
与
输入MV-FCM算法得第l块数据块的隶属度矩阵U(l)和聚类中心矩阵V(l)。
具体的，由MVI-FCMC算法框架可知；
针对第1个数据块，由MV-FCMC算法求得U(1)和V(1)；
针对第2个数据块，第2块数据集X(2)与V(1)合并组成新的待聚类数据集
对U(1)中元素进行叠加运算得到w(1)，并与1N2合并组成新的权重向量
将
与
作为MV-FCM算法的输入求得U(2)和V(2)。
针对第l个数据块，l＝3,…,M，将第l个数据块的数据集X(l)和第l-1个数据块对应的聚类中心矩阵V(l-1)并集得到待聚类数据集
利用U(l-1)对运算得到w(l)，其中
为w(l)中的元素，将w(l)与维度为Nl的单位向量1Nl合并为新的权重向量
将
与
输入MV-FCMC算法得第l块数据块的隶属度矩阵U(l)和聚类中心矩阵V(l)，其中，表1为MV-FCMC的算法框架。表2为MVI-FCMC的算法框架，即将MV-FCMC算法进行迭代依次求出各个数据块的隶属度矩阵U(l)和聚类中心矩阵V(l)。
表1 MV-FCMC的算法框架
表2 MVI-FCMC的算法框架
在其中一个实施例中，将
与
输入MV-FCM算法得第l块数据块的隶属度矩阵U(l)和聚类中心矩阵V(l)，包括：利用迭代更新公式
计算第l块数据块的隶属度矩阵U(l)中的元素μij,k；利用迭代更新公式
计算第l块数据块的聚类中心矩阵V(l)中的元素vi,k。
在其中一个实施例中，S3具体包括：S301:利用各个数据块对应的隶属度矩阵U计算各个数据块中N个样本对应的隶属度矩阵
是为C×N矩阵，
中的元素为
μij,k为隶属度矩阵U中的元素。S302:将各个数据块中样本对应的隶属度矩阵
中每个列向量中最大值对应的位置作为对应样本的聚类结果。
具体的，在对每块数据集进行聚类的过程中，聚类中心不断更新，在进行第M块数据集的聚类后，即可得到最终结果V(M)，然而V(M)包含全部视角的聚类中心，无法直接评价研究对象聚类的所属类别。因此，计算整个数据集的多视角隶属度矩阵U，并利用公式
计算每个样本的隶属度矩阵
隶属度矩阵中每个列向量中最大值对应的位置作为对应样本的聚类结果，从而实现对样本进行聚类分析。
在其中一个实施例中，S2之前，方法还包括：预先设置MVI-FCMC的算法参数，算法参数包括：样本风机数量、视角数、数据维度、聚类类别数、模糊化常数、数据集的块数、各个数据集的样本数及误差阈值。
具体的，在上述MVI-FCMC框架的基础上，设置MVI-FCMC参数，具体包括：样本数(即风机数量)N，视角数K，数据维度d，聚类类别数C，模糊化常数m＝2，数据集的块数M，第l块数据集的样本数Nl，误差阈值ε；并将步骤A中仿真出每台风机的有功功率与无功功率高维时间序列输入到MVI-FCMC，即可得到风电场内风机的聚类结果。
为了验证本方法的实用性，本专利进行了验证和实验，框架具体如图3所示，在Matlab/Simulink搭建了风机模型，风机模型的主要参数如表3所示。
表3风电机组主要参数
此外，研究如图4所示的风电场等值问题，风电场中每台风机的风速参见图5，根据所搭建的风机模型和风电场中每台风机的风速，仿真出每台风机的有功功率与无功功率高维时间序列，参见图6和图7，在此基础上，选择图6和图7中风机有功功率与无功功率高维时间序列作为聚类指标。
由MVI-FCMC算法框架，第1块数据集由MV-FCMC算法求得U(1)和V(1)；第2-M块数据集的聚类流程相同，以第2块数据集为例，X(2)与V(1)合并组成新的待聚类数据集
利用
对U(1)运算得到w(1)，w(1)与1N2合并组成新的权重向量
将
与
作为MVW-FCM算法的输入求得U(2)和V(2)。在对每块数据集进行聚类的过程中，聚类中心不断更新，在进行第M块数据集的聚类后，即可得到最终结果V(M)，然而V(M)包含全部视角的聚类中心，无法直接评价研究对象聚类的所属类别。因此，利用
计算整个数据集的多视角隶属度矩阵U，并利用
计算每个样本的隶属度矩阵
最终得到聚类结果。在上述MVI-FCMC框架的基础上，设置MVI-FCMC参数，并将有功功率高维时间序列与无功功率高维时间序列输入到MVI-FCMC，即可得到风电场内风机的聚类结果。
举例来说，设置N＝61，K＝2，d＝1.6×106；此外，设置C＝4，m＝2，M＝4，根据M值，令N1＝N2＝N3＝15、N4＝16，ε＝10-3。利用MVI-FCMC算法对风机进行聚类，聚类结果如表所示。
| 类别号 | 风电机组编号 |
| 类别1 | 6-7,18,31-32,38,57-60 |
| 类别2 | 8-11,19,20-22,39-41,48-50,61 |
| 类别3 | 1,3,12-13,15-16,23-24,28,30,33-36,42-44,51-53,56 |
| 类别4 | 2,4,5,14,17,25,26,27,29,37,45-47,54,55 |
表4风机聚类结果
为验证所提模型的精确性，定义几种风电场等值模型用于对比分析。
所提模型与对比模型的聚类指标、聚类方法描述如表5所示。
| 模型名称 | 聚类指标与聚类方法 | 聚类方法 |
| 所提模型 | 有功和无功功率时间序列 | MVI-FCMC |
| 对比模型1 | 有功功率时间序列 | I-FCMC |
| 对比模型2 | 无功功率时间序列 | I-FCMC |
| 对比模型3 | 单机等值模型 | 无需聚类 |
表5各类风电场等值模型
进一步地，为定量评价各种模型的精确性，本文引入均方误差(err1)和平均相对误差(err2)以估计风电场输出有功功率和无功功率时间序列的误差，err1和err2的表达式如下式所示。其中T表示时间序列的点数，X表示风电场详细模型得到的输出量，
表示风电场等值模型得到的输出量。表6显示了所提模型、对比模型1-对比模型3的err1和err2。从表6可以看出，本文模型的err1和err2均较小，这验证了本文风电等值模型的精确性。
表6有功功率与无功功率曲线的err1和err2
为验证所提方法在不同规模风电场中的适用性，对比分析了MV-FCMC以及MVI-FCMC在处理不同规模数据时的最大CPU占用情况。设置视角数为2，数据维度为106维，聚类数为4；此外对于MVI-FCMC，设置Nl＝15。图8显示了MV-FCMC和MVI-FCMC的最大CPU占用情况。应注意的是，图中每次实验均进行了10次，因此图中显示了最大CPU占用率的期望和方差。从图8可以看出，在数据条数为50时，MV-FCMC的最大CPU占用率即接近100％，即只能处理风机50台左右的风电场等值问题；而MVI-FCMC最大CPU占用率随数据条数的增加而增长缓慢，在Intel(R)Core(TM)i5-8250，CPU@1.60GHz，8.00GB ofRAM配置的计算机中即可处理300台以上风机的聚类问题，若适当提高计算配置，便可处理更大规模风机的聚类。因此可以认为，所提方法可处理任意规模的风电场等值问题。
本申请提供一种风电场等值建模装置，如图9所示，风电场等值建模装置包括：指标获取模块901、聚类分析模块902和结果获取模块903。其中，指标获取模块901，用于获取风电场内风机对应的有功功率高维时间序列和无功功率高维时间序列作为聚类指标。聚类分析模块902，用于基于增量式技术的多视角模糊C均值聚类MVI-FCMC算法将所述聚类指标划分为多个数据块，并对每个所述数据块利用多视角模糊C均值MV-FCMC算法进行聚类分析，依次获取各个所述数据块对应的隶属度矩阵。结果获取模块903，用于利用各个数据块对应的隶属度矩阵计算各个数据块中样本对应的隶属度矩阵，以获取各个样本的聚类结果完成所述风电场等值建模。
上述风电场等值建模装置中各个模块的划分仅用于举例说明，在其他实施例中，可将风电场等值建模装置按照需要划分为不同的模块，以完成上述风电场等值建模装置的全部或部分功能。
关于风电场等值建模装置的具体限定可以参见上文中对于风电场等值建模方法的限定，在此不再赘述。上述风电场等值建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于计算机设备的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图10为一个实施例中电子设备的内部结构示意图。如图10所示，该电子设备包括通过系统总线连接的处理器和存储器。其中，该处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种风电场等值建模方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。
本申请实施例中提供的风电场等值建模装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在电子设备的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行风电场等值建模方法的步骤。
一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行风电场等值建模方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种风电场等值建模方法，其特征在于，包括：
S1:获取风电场内风机对应的有功功率高维时间序列和无功功率高维时间序列作为聚类指标；
S2:基于增量式技术的多视角模糊C均值聚类MVI-FCMC算法将所述聚类指标划分为多个数据块，并对每个所述数据块利用多视角模糊C均值MV-FCMC算法进行聚类分析，依次获取各个所述数据块对应的隶属度矩阵；
S3:利用各个所述数据块对应的隶属度矩阵计算各个所述数据块中样本对应的隶属度矩阵，以获取各个所述样本的聚类结果完成所述风电场等值建模。
2.如权利要求1所述的风电场等值建模方法，其特征在于，所述S1具体包括：
S101:获取所述风电场中每台风机的实时风速；
S102:将每台风机对应的所述实时风速输入预设风机仿真模型，以使所述预设风机仿真模型输出各个风机对应的有功功率高维时间序列和无功功率高维时间序列；
S103:将各个风机对应的有功功率高维时间序列和无功功率高维时间序列作为各个风机对应的聚类指标。
3.如权利要求1所述的风电场等值建模方法，其特征在于，所述S2之前，所述方法还包括：
将MV-FCMC算法的目标函数和约束条件分别设为：
其中，视角k的数据集表示为Xk＝{xi,k|xi,k∈Rd}，i＝1,2,…,N；k＝1,2,…,K，d表示数据维度，N表示样本数，C表示数据集Xk被分类别的总数量，i＝1,2,…,C；wj,k表示视角k中样本xj,k的权重；μij,k表示视角k中样本xj,k对于聚类中心vi,k的隶属度；d2 ij,k表示xj,k与vi,k之间欧式距离的平方；αj,k表示增强参数，βj,k表示削弱参数，m>1表示模糊化常数。
4.如权利要求3所述的风电场等值建模方法，其特征在于，所述S2具体包括：
S201:将所述聚类指标划分为M个数据块；
S202:依次获取M个数据块各自对应的隶属度矩阵，其中，
针对第1个数据块，由MV-FCMC算法求得第1块数据块的隶属度矩阵U(1)和聚类中心矩阵V(1)，对U(1)运算得到第1块数据的权重向量w(1)，w(1)与维度为Nl的单位向量1N1合并组成权重向量
针对第l个数据块，l＝2,…,M，将第l个数据块的数据集X(l)和第l-1个数据块对应的聚类中心矩阵V(l-1)并集得到待聚类数据集
利用U(l-1)对运算得到w(l)，并与维度为Nl的单位向量1Nl合并组成权重向量
将
与
输入MV-FCM算法得第l块数据块的隶属度矩阵U(l)和聚类中心矩阵V(l)。
5.如权利要求4所述的风电场等值建模方法，其特征在于，所述将
与
输入MV-FCM算法得第l块数据块的隶属度矩阵U(l)和聚类中心矩阵V(l)，包括：
利用迭代更新公式
计算第l块数据块的隶属度矩阵U(l)中的元素μij,k；
利用迭代更新公式
计算第l块数据块的聚类中心矩阵V(l)中的元素vi,k。
6.如权利要求4所述的风电场等值建模方法，其特征在于，所述S3具体包括：
S301:利用各个所述数据块对应的隶属度矩阵U计算各个所述数据块中N个样本对应的隶属度矩阵
是为C×N矩阵，
中的元素为
μij,k为隶属度矩阵U中的元素；
S302:将各个所述数据块中样本对应的隶属度矩阵
中每个列向量中最大值对应的位置作为对应样本的聚类结果。
7.如权利要求1-6任一项所述的风电场等值建模方法，其特征在于，所述S2之前，所述方法还包括：
预先设置所述MVI-FCMC算法的算法参数，所述算法参数包括：样本风机数量、视角数、数据维度、聚类类别数、模糊化常数、数据集的块数、各个数据集的样本数及误差阈值。
8.一种风电场等值建模装置，其特征在于，包括：
指标获取模块，用于获取风电场内风机对应的有功功率高维时间序列和无功功率高维时间序列作为聚类指标；
聚类分析模块，用于基于增量式技术的多视角模糊C均值聚类MVI-FCMC算法将所述聚类指标划分为多个数据块，并对每个所述数据块利用多视角模糊C均值MV-FCMC算法进行聚类分析，依次获取各个所述数据块对应的隶属度矩阵；
结果获取模块，用于利用各个所述数据块对应的隶属度矩阵计算各个所述数据块中样本对应的隶属度矩阵，以获取各个所述样本的聚类结果完成所述风电场等值建模。
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010929519.3A CN112149346B (zh) | 2020-09-07 | 2020-09-07 | 一种风电场等值建模方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010929519.3A CN112149346B (zh) | 2020-09-07 | 2020-09-07 | 一种风电场等值建模方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112149346A true CN112149346A (zh) | 2020-12-29 |
| CN112149346B CN112149346B (zh) | 2024-04-26 |
Family
ID=73889277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010929519.3A Active CN112149346B (zh) | 2020-09-07 | 2020-09-07 | 一种风电场等值建模方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149346B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909211A (zh) * | 2017-11-17 | 2018-04-13 | 华北电力大学 | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 |
| CN110909911A (zh) * | 2019-09-29 | 2020-03-24 | 中国农业大学 | 考虑时空相关性的多维时序数据的聚合方法 |
| CN111382789A (zh) * | 2020-03-06 | 2020-07-07 | 云南电网有限责任公司电力科学研究院 | 基于机器学习的电力负荷识别方法及系统 |
-
2020
- 2020-09-07 CN CN202010929519.3A patent/CN112149346B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909211A (zh) * | 2017-11-17 | 2018-04-13 | 华北电力大学 | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 |
| CN110909911A (zh) * | 2019-09-29 | 2020-03-24 | 中国农业大学 | 考虑时空相关性的多维时序数据的聚合方法 |
| CN111382789A (zh) * | 2020-03-06 | 2020-07-07 | 云南电网有限责任公司电力科学研究院 | 基于机器学习的电力负荷识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| NICOLAS LABROCHE: "New incremental fuzzy c medoids clustering algorithms", 《2010 ANNUAL MEETING OF THE NORTH AMERICAN FUZZY INFORMATION PROCESSING SOCIETY》, 16 August 2010 (2010-08-16), pages 1 - 6 * |
| 韩佶等: "基于多视角迁移学习的风场内机群划分及等值风场参数综合优化", 《中国电机工程学报》, vol. 40, no. 15, 5 August 2020 (2020-08-05), pages 4866 - 4881 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149346B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609141B (zh) | 一种对大规模可再生能源数据进行快速概率建模方法 | |
| CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
| Yang et al. | Fast economic dispatch in smart grids using deep learning: An active constraint screening approach | |
| CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
| CN108520325A (zh) | 一种基于多变环境下加速退化数据的集成寿命预测方法 | |
| CN114297779A (zh) | 一种飞行器气动力系数快速预测方法、系统及设备 | |
| He et al. | Variable-fidelity expected improvement based efficient global optimization of expensive problems in presence of simulation failures and its parallelization | |
| Chen et al. | Hot-starting the AC power flow with convolutional neural networks | |
| Hu et al. | Robust optimization with convex model considering bounded constraints on performance variation | |
| CN113328467B (zh) | 一种概率电压稳定性评估方法、系统、终端设备及介质 | |
| Peng et al. | Data-driven model order reduction with proper symplectic decomposition for flexible multibody system | |
| CN114583767A (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
| CN112070307B (zh) | 一种区域内能源负荷量的预测方法及装置 | |
| CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
| Bao et al. | Study of data-driven mesh-model optimization in system thermal-hydraulic simulation | |
| CN112149346B (zh) | 一种风电场等值建模方法、装置、电子设备和存储介质 | |
| Zhang et al. | Efficient aerodynamic shape optimization with the metric-based POD parameterization method | |
| Muravyova et al. | Development of the intellectual complex for parallel work of steam boilers | |
| CN115793456A (zh) | 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法 | |
| CN110717623A (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
| Cardoso et al. | Disciplinary surrogates for gradient-based optimization of multidisciplinary systems | |
| US20240103920A1 (en) | Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system | |
| CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 | |
| CN117435308B (zh) | 一种基于并行计算算法的Modelica模型仿真方法及系统 | |
| Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |